Dans le cadre de la transition énergétique, la part des énergies renouvelables dans le mix énergétique est de plus en plus importante, rendant le système électrique plus sensible aux conditions météorologiques. En conséquence, le secteur de l’énergie est continuellement à la recherche de prévisions les plus précises possibles des variables climatiques sur un ensemble d’échelles de temps. Les prévisions météorologiques déterministes à court et moyen terme (de quelques minutes à deux semaines maximum) sont fiables, et leur utilisation opérationnelle dans le secteur de l’énergie est donc bien établie. Cependant, sur des échelles de temps infra-saisonnières, c’est à dire au-delà de deux semaines et jusqu’à deux mois, les prévisions sont nécessairement probabilistes, et leur fiabilité reste limitée. Par conséquent, l’utilisation opérationnelle des prévisions infra-saisonnières dans le secteur de l’énergie en est encore à ses débuts.

Disposer d’informations précises sur la production d’énergie renouvelable et la consommation d’électricité attendues sur des échelles de temps infra-saisonnières peut apporter une vraie valeur ajoutée au secteur de l’énergie. De ce fait, l’objectif principal de cette thèse est d’évaluer en premier temps et d’améliorer ensuite les prévisions infra saisonnières par rapport à la climatologie, afin d’apporter des informations utiles et fiables au secteur de l’énergie. Nous nous concentrons dans ce travail sur la vitesse du vent à 100 m et la température à 2 m sur l’Europe.

Dans un premier temps, nous avons évalué les prévisions dynamiques infra-saisonnières en termes de vent et de température afin de quantifier leurs performances telles qu’elles sont fournies par le modèle de prévision. Nous avons montré que les prévisions de la température moyenne hebdomadaire sont plus fiables que la climatologie jusqu’à six semaines, et que celles de la vitesse du vent le sont jusqu’à trois semaines. Dans un deuxième temps, nous avons développé une technique de descente d’échelle statistique pour reconstruire des prévisions infra-saisonnières de la vitesse du vent et de la température en utilisant les prévisions de variables climatiques de grande échelle. Pour ce faire, nous avons utilisé des données historiques observées pour estimer la relation entre la circulation atmosphérique à grande échelle et nos variables d’intérêt. Nous avons appliqué par la suite cette relation sur les prévisions infra-saisonnières de la circulation à grande échelle, qui sont plus fiables que celles des variables de surface, pour en déduire des prévisions de nos variables d’intérêt. Cette méthode nous a permis de produire, à partir des prévisions infra-saisonnières de la circulation à grande échelle, un nouvel ensemble de prévisions statistiques de température et de vent. Nous avons démontré que l’ensemble dit « hybride » combinant à la fois les nouvelles prévisions statistiques et les prévisions dynamiques de nos variables d’intérêt est plus fiable que les prévisions dynamiques seules. Pour la dernière partie de la thèse, nous avons développé une étude de cas sur les épisodes de faible vent en Europe, en raison de leur importance pour le secteur de l’énergie. Nous nous sommes intéressés à l’épisode de vents faibles de juillet 2018 et les prévisions associées. Pour cet événement, ni les prévisions dynamiques ni les prévisions statistiques n’ont réussi à le prévoir et ce en raison de la difficulté que les modèles de prévisions météorologiques ont à prévoir correctement les situations de blocage très souvent à l’origine de ces faibles vents.

Titre de thèse : Prévisions météorologiques infra-saisonnières pour le secteur de l’énergie en Europe : évaluation quantitative, amélioration et application

Le 12 décembre 2022 à 14h dans l’Amphi Becquerel, Ecole Polytechnique.

Lien visio : https://teams.microsoft.com/l/meetup-join/19%3ameeting_MmFjYTI3MGEtMWUwNi00ZDIyLTkyZTktZDgyMjNhM2U1Zjgw%40thread.v2/0?context=%7b%22Tid%22%3a%22e242425b-70fc-44dc-9ddf-c21e304e6c80%22%2c%22Oid%22%3a%22ecabcaf3-15a1-4911-9c70-4fd122c6199a%22%7d

Riwal Plougonven (LMD)

Hiba Omrani (EDF)

Sylvie Parey (EDF)

Philippe Drobinski (LMD)

Alexis Tantet (LMD)

Peter Tankov (ENSAE-CREST)

Albert Soret (Centre de supercalculateur de Barcelone)

David Brayshaw (Université de Reading)

Aurélie Fischer (Université de Paris)

Daniela Domeisen (ETH Zurich)

Laurent Dubus (RTE)

Lauriane Batté (Météo France)